Apple-Forscher veröffentlichte eine Studie Im Element geht es darum, wie große Sprachmodelle (LLMs) Audio- und Bewegungsdaten interpretieren können, um Benutzeraktivitäten zu identifizieren, wobei der Schwerpunkt auf der späten multimodalen Sensorfusion zur Aktivitätserkennung liegt.

Der Artikel mit dem Titel „Utilizing LLMs for Late Multimodal Sensor Fusion for Exercise Recognition“ von Ilker Demirel, Karan Ketankumar Thakkar, Benjamin Elizalde, Miquel Espi Marques, Shirley Ren und Jaya Narain wurde beim Workshop „Studying from Time Sequence for Well being“ auf der NeurIPS 2025 angenommen. Diese Forschung untersucht die Integration der LLM-Analyse mit traditionellen Sensordaten, um die Aktivitätsklassifizierung zu verbessern.

Die Forscher stellen fest: „Sensordatenströme liefern wertvolle Informationen über Aktivitäten und Kontext für nachgelagerte Anwendungen, obwohl die Integration ergänzender Informationen eine Herausforderung sein kann. Wir zeigen, dass große Sprachmodelle (LLMs) für die späte Fusion zur Aktivitätsklassifizierung aus Audio- und Bewegungszeitreihendaten verwendet werden können.“ Sie kuratierten einen Teilsatz von Daten zur Erkennung verschiedener Aktivitäten aus dem Ego4D-Datensatz, der Haushaltsaktivitäten und Sport umfasste.

Bewertete LLMs erreichten 12-Klassen-F1-Scores mit Null- und One-Shot-Klassifizierung, die deutlich über der Wahrscheinlichkeit lagen, ohne aufgabenspezifisches Coaching. Die Zero-Shot-Klassifizierung durch LLM-basierte Fusion aus modalitätsspezifischen Modellen ermöglicht multimodale zeitliche Anwendungen mit begrenzten ausgerichteten Trainingsdaten für einen gemeinsamen Einbettungsraum. Die LLM-basierte Fusion ermöglicht die Modellbereitstellung, ohne dass zusätzlicher Speicher und zusätzliche Berechnungen für gezielte anwendungsspezifische multimodale Modelle erforderlich sind.

Die Studie unterstreicht die Fähigkeit von LLMs, Benutzeraktivitäten aus grundlegenden Audio- und Bewegungssignalen abzuleiten, und zeigt anhand eines einzigen Beispiels eine verbesserte Genauigkeit. Entscheidend ist, dass dem LLM kein direkter Rohton zugeführt wurde. Stattdessen erhielt es kurze Textbeschreibungen, die von Audiomodellen und einem IMU-basierten Bewegungsmodell generiert wurden, das Bewegungen über Beschleunigungsmesser- und Gyroskopdaten verfolgt.

Für die Studie nutzten die Forscher Ego4D, einen Datensatz mit Tausenden Stunden an Medien aus der Ich-Perspektive. Sie kuratierten einen Datensatz der täglichen Aktivitäten von Ego4D, indem sie nach narrativen Beschreibungen suchten. Der kuratierte Datensatz umfasst 20-Sekunden-Beispiele aus zwölf hochrangigen Aktivitäten:

Diese Aktivitäten wurden ausgewählt, um Haushalts- und Fitnessaufgaben abzudecken, und basierten auf ihrer Prävalenz im größeren Ego4D-Datensatz. Audio- und Bewegungsdaten wurden durch kleinere Modelle verarbeitet, um Textbeschriftungen und Klassenvorhersagen zu generieren. Diese Ergebnisse wurden dann in verschiedene LLMs eingespeist, insbesondere in Gemini-2.5-pro und Qwen-32B, um die Genauigkeit der Aktivitätsidentifizierung zu bewerten.

Apple verglich die Modellleistung in zwei Szenarien: einem geschlossenen Take a look at, bei dem die Modelle aus den 12 vordefinierten Aktivitäten wählten, und einem offenen Take a look at ohne bereitgestellte Optionen. Für jeden Take a look at wurden verschiedene Kombinationen aus Audiountertiteln, Audiolabels, IMU-Aktivitätsvorhersagedaten und zusätzlichem Kontext verwendet.

Die Forscher stellten fest, dass die Ergebnisse Einblicke in die Kombination mehrerer Modelle für Aktivitäts- und Gesundheitsdaten bieten. Dieser Ansatz ist insbesondere dann von Vorteil, wenn die Rohdaten der Sensoren allein nicht ausreichen, um ein klares Bild der Benutzeraktivität zu liefern. Apple veröffentlichte außerdem ergänzende Materialien, darunter Ego4D-Section-IDs, Zeitstempel, Eingabeaufforderungen und One-Shot-Beispiele, um die Reproduzierbarkeit für andere Forscher zu erleichtern.

Hervorgehobener Bildnachweis

Bild vom Autor | Ideogram.ai

# Einführung

Beim Erstellen großer Sprachmodellanwendungen sind Token Geld. Wenn Sie jemals mit einem LLM wie GPT-4 gearbeitet haben, hatten Sie wahrscheinlich den Second, in dem Sie die Rechnung überprüften und dachten: „Wie ist es so hoch geworden?!“ Jeder von Ihnen durchgeführte API-Aufruf verbraucht Token, was sich direkt auf die Latenz und die Kosten auswirkt. Aber ohne sie zu verfolgen, haben Sie keine Ahnung, wofür sie ausgegeben werden und wie Sie sie optimieren können.

Das ist wo LangSmith kommt ins Spiel. Es verfolgt nicht nur Ihre LLM-Aufrufe, sondern ermöglicht Ihnen auch die Protokollierung, Überwachung und Visualisierung der Token-Nutzung für jeden Schritt in Ihrem Workflow. In diesem Leitfaden behandeln wir Folgendes:

1. Warum ist Token-Monitoring wichtig?
2. Wie richte ich die Protokollierung ein?
3. Wie kann der Token-Verbrauch im LangSmith-Dashboard visualisiert werden?

# Warum ist Token-Monitoring wichtig?

Die Nachverfolgung von Token ist wichtig, da jede Interaktion mit einem großen Sprachmodell direkte Kosten verursacht, die von der Anzahl der verarbeiteten Token abhängig sind, sowohl in Ihren Eingaben als auch in den Ausgaben des Modells. Ohne Überwachung können kleine Ineffizienzen bei Eingabeaufforderungen, unnötiger Kontext oder redundante Anfragen Ihre Rechnung in die Höhe treiben und die Leistung verlangsamen.

Durch die Nachverfolgung von Token erhalten Sie einen genauen Überblick darüber, wo sie verbraucht werden. Auf diese Weise können Sie Eingabeaufforderungen optimieren, Arbeitsabläufe rationalisieren und die Kostenkontrolle behalten. Wenn Ihr Chatbot beispielsweise 1.500 Token professional Anfrage verwendet, können die Kosten durch eine Reduzierung auf 800 Token quick halbiert werden. Das Token-Monitoring-Konzept funktioniert irgendwie so:

# Einrichten von LangSmith für die Token-Protokollierung

// Schritt 1: Erforderliche Pakete installieren

pip3 set up langchain langsmith transformers speed up langchain_community

// Schritt 2: Führen Sie alle erforderlichen Importe durch

import os
from transformers import pipeline
from langchain.llms import HuggingFacePipeline
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from langsmith import traceable

// Schritt 3: Langsmith konfigurieren

Stellen Sie Ihre ein API-Schlüssel und Projektname:

# Exchange along with your API key
os.environ("LANGCHAIN_API_KEY") = "your-api-key"
os.environ("LANGCHAIN_PROJECT") = "HF_FLAN_T5_Base_Demo"
os.environ("LANGCHAIN_TRACING_V2") = "true"


# Non-compulsory: disable tokenizer parallelism warnings
os.environ("TOKENIZERS_PARALLELISM") = "false"

// Schritt 4: Laden Sie ein Hugging Face-Modell

Verwenden Sie ein CPU-freundliches Modell wie google/flan-t5-base und aktivieren Sie das Sampling für natürlichere Ergebnisse:

model_name = "google/flan-t5-base"
pipe = pipeline(
   "text2text-generation",
   mannequin=model_name,
   tokenizer=model_name,
   system=-1,      # CPU
   max_new_tokens=60,
   do_sample=True, # allow sampling
   temperature=0.7
)
llm = HuggingFacePipeline(pipeline=pipe)

// Schritt 5: Erstellen Sie eine Eingabeaufforderung und eine Kette

Definieren Sie eine Eingabeaufforderungsvorlage und verbinden Sie sie mithilfe von LLMChain mit Ihrer Hugging Face-Pipeline:

prompt_template = PromptTemplate.from_template(
   "Clarify gravity to a 10-year-old in about 20 phrases utilizing a enjoyable analogy."
)


chain = LLMChain(llm=llm, immediate=prompt_template)

// Schritt 6: Machen Sie die Funktion mit LangSmith rückverfolgbar

Verwenden Sie den @traceable-Dekorator, um Eingaben, Ausgaben, Token-Nutzung und Laufzeit automatisch zu protokollieren:

@traceable(identify="HF Clarify Gravity")
def explain_gravity():
   return chain.run({})

// Schritt 7: Führen Sie die Funktion aus und drucken Sie die Ergebnisse aus

reply = explain_gravity()
print("n=== Hugging Face Mannequin Reply ===")
print(reply)

Ausgabe:

=== Hugging Face Mannequin Reply ===
Gravity is a measure of mass of an object.

// Schritt 8: Überprüfen Sie das Langsmith-Dashboard

Gehe zu smith.langchain.com → Projekte verfolgen. Sie werden etwas wie:

Sie können sogar die mit jedem Projekt verbundenen Kosten sehen und so Ihre Abrechnung analysieren. Um nun die Verwendung von Tokens und andere Erkenntnisse zu sehen, klicken Sie auf Ihr Projekt. Und Sie werden sehen:

Das rote Feld hebt die Anzahl der Durchläufe hervor, die Sie für Ihr Projekt durchgeführt haben, und listet diese auf. Klicken Sie auf einen beliebigen Lauf und Sie werden Folgendes sehen:

Hier können Sie verschiedene Dinge sehen, wie z. B. die Gesamtzahl der Token, die Latenz usw. Klicken Sie wie unten gezeigt auf das Dashboard:

Jetzt können Sie Diagramme im Zeitverlauf anzeigen, um Token-Nutzungstrends zu verfolgen, die durchschnittliche Latenz professional Anfrage zu überprüfen, Eingabe- und Ausgabe-Tokens zu vergleichen und Spitzennutzungszeiten zu identifizieren. Diese Erkenntnisse helfen dabei, Eingabeaufforderungen zu optimieren, Kosten zu verwalten und die Modellleistung zu verbessern.

Bitte scrollen Sie nach unten, um alle mit Ihrem Projekt verknüpften Diagramme anzuzeigen.

// Schritt 9: Erkunden Sie das LangSmith-Dashboard

Sie können viele der Erkenntnisse analysieren, wie zum Beispiel:

• Beispielspuren anzeigen: Klicken Sie auf eine Ablaufverfolgung, um die detaillierte Ausführung anzuzeigen, einschließlich Roheingabe, generierter Ausgabe und Leistungsmetriken
• Einzelne Spuren prüfen: Für jede Ablaufverfolgung können Sie jeden Schritt der Ausführung untersuchen und Eingabeaufforderungen, Ausgaben, Token-Nutzung und Latenz anzeigen
• Überprüfen Sie die Token-Nutzung und Latenz: Detaillierte Token-Zählungen und Verarbeitungszeiten helfen dabei, Engpässe zu erkennen und die Leistung zu optimieren
• Bewertungsketten: Verwenden Sie die Evaluierungstools von LangSmith, um Szenarien zu testen, die Modellleistung zu verfolgen und Ergebnisse zu vergleichen
• Experimentieren Sie auf dem Spielplatz: Passen Sie Parameter wie Temperatur, Eingabeaufforderungsvorlagen oder Probenahmeeinstellungen an, um das Verhalten Ihres Modells zu optimieren

Mit diesem Setup haben Sie jetzt im LangSmith-Dashboard vollständige Sicht auf die Ausführungen Ihres Hugging Face-Modells, die Token-Nutzung und die Gesamtleistung.

# Wie erkennt und behebt man Token Hogs?

Sobald Sie über die Protokollierung verfügen, können Sie:

• Überprüfen Sie, ob die Eingabeaufforderungen zu lang sind
• Identifizieren Sie Aufrufe, bei denen das Modell zu viel generiert
• Wechseln Sie für günstigere Aufgaben zu kleineren Modellen
• Antworten zwischenspeichern, um doppelte Anfragen zu vermeiden

Dies ist Gold wert, um lange Ketten oder Agenten zu debuggen. Finden Sie den Schritt, der die meisten Token frisst, und beheben Sie ihn.

# Zusammenfassung

So können Sie Langsmith einrichten und nutzen. Bei der Protokollierung der Token-Nutzung geht es nicht nur darum, Geld zu sparen, sondern auch darum, intelligentere und effizientere LLM-Apps zu entwickeln. Der Leitfaden bietet eine Grundlage. Sie können mehr erfahren, indem Sie Ihre eigenen Arbeitsabläufe erkunden, experimentieren und analysieren.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Era Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Range in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Probleme im Zusammenhang mit der GPU -Bereitstellung – endgültige Auftragswartungszeiten, hohe Preise und insbesondere dringend Bedürfnisse – führen zu neuen GPU -Zugangstrategien.

Ein Artikel im heutigen Wall Road Journal„Ihr Gaming -PC könnte helfen, KI -Modelle zu trainieren“, berichtet, dass nicht genutzte GPUs „Startups dazu inspirieren, virtuelle“ verteilte „Netzwerke zusammenzufassen, um mit AI -Rechenzentren zu konkurrieren“.

Der Artikel zitiert eine Reihe von Unternehmen, die „zu einer aufstrebenden Gruppe von Gründern gehören, die glauben, dass der Erfolg bei der KI darin liegt Zeitschrift. „Diese Chips können überall sein – in einem Universitätslabor oder einem Hedgefonds -Büro oder einem Gaming -PC im Schlafzimmer eines Youngsters. Wenn es funktioniert, würde das Setup es KI -Entwicklern ermöglichen, die größten Technologieunternehmen zu umgehen und gegen OpenAI oder Google zu weitaus geringeren Kosten zu konkurrieren. “

Dies erinnert an das Phänomen der Folding@Residence (und das ähnliche Anstrengungen), das kurz nach dem Covid-19-Ausbruch 2020 weit verbreitet wurde, bei dem Wissenschaftler auf Leerlaufverteilungsressourcen zugreifen, beginnend mit PCs und Workstations Krankheitsforschung.

Einer der in dem Artikel zitierten Unternehmer Alex Cheema, Mitbegründer von Exo Labserklärte, dass Organisationen auf der ganzen Welt Zehn- und Hunderte von GPUs haben, die häufig nicht verwendet werden-z.

Der Artikel stellt fest, dass bisher virtuelle Netzwerke von GPUs nur auf wenige hundert Chips skaliert wurden und dass es viele technische und geschäftliche Hindernisse gibt. Unter ihnen: Netzwerklatenz, Datensicherheit, Identifizierung von Mitarbeitern von Idle -GPUs und die Risikovereinigung von Bauherren kostspieliger KI -Modelle.

Dennoch wird es immer die Aufmerksamkeit der Planer auf sich ziehen, in einer Colo oder in der Cloud, in einer Colo oder in der Cloud, die aktuellen hochkostspieligen GPU-Geschäftsmodelle, in denen sie vor Ort sind.

Die Zeitschrift zitierte Paul Hainsworth, CEO der dezentralen AI Firm Berkeley Computeder sagte, er arbeite ein Mittel zur Investition in GPUs als finanzielles Vermögenswert, das vermietet werden kann. „Ich mache eine große Wette, dass die großen Technologieunternehmen falsch sind, dass der gesamte Wert an einen zentralen Ort erobert wird“ Rechenzentrale, die passive Einkommen durch Mietgebühren verdienen, ohne technisches Know -how zu benötigen. “

Erfahren Sie, wie Sie eine effiziente MLflow-Umgebung einrichten, um Ihre Experimente zu verfolgen, zu vergleichen und das beste Modell für die Bereitstellung auszuwählen

Das Coaching und die Feinabstimmung verschiedener Modelle ist eine grundlegende Aufgabe für jeden Pc-Imaginative and prescient-Forscher. Selbst bei einfachen Modellen führen wir eine Hyperparametersuche durch, um die optimale Methode zum Trainieren des Modells anhand unseres benutzerdefinierten Datensatzes zu finden. Datenerweiterungstechniken (die bereits viele verschiedene Optionen umfassen), die Wahl des Optimierers, die Lernrate und das Modell selbst. Ist es die beste Architektur für meinen Fall? Sollte ich weitere Ebenen hinzufügen, die Architektur ändern und viele weitere Fragen darauf warten, gestellt und durchsucht zu werden?

Auf der Suche nach einer Antwort auf all diese Fragen habe ich die Protokolldateien des Modelltrainingsprozesses und die Ausgabeprüfpunkte in verschiedenen Ordnern in meinem lokalen Ordner gespeichert, den Namen des Ausgabeverzeichnisses jedes Mal geändert, wenn ich ein Coaching durchgeführt habe, und die endgültigen Metriken manuell einmal verglichen. nacheinander. Den Prozess der Experimentverfolgung so manuell anzugehen, hat viele Nachteile: Er ist altmodisch, zeit- und energieaufwändig und fehleranfällig.

In diesem Blogbeitrag zeige ich Ihnen, wie Sie MLflow verwenden, eines der besten Instruments zum Verfolgen Ihres Experiments, mit dem Sie alle benötigten Informationen protokollieren, die verschiedenen von Ihnen durchgeführten Trainingsexperimente visualisieren und vergleichen und entscheiden können, welches Coaching das richtige ist optimale Wahl in einer benutzerfreundlichen (und augen-)freundlichen Umgebung!

Ganz gleich, ob Sie ein Achievement-Middle, ein Hersteller oder ein Händler sind: Geschwindigkeit ist Trumpf. Um Produkte jedoch schnell ausliefern zu können, müssen die Mitarbeiter jederzeit wissen, wo sich diese Produkte in ihren Lagern befinden. Das magazine offensichtlich klingen, aber verlorener oder verlegter Lagerbestand ist in Lagerhäusern auf der ganzen Welt ein großes Downside.

Corvus Robotics geht dieses Downside mit einer Bestandsverwaltungsplattform an, die mithilfe autonomer Drohnen die riesigen Palettenreihen scannt, die die meisten Lagerhäuser füllen. Die Drohnen des Unternehmens können rund um die Uhr arbeiten, unabhängig davon, ob die Beleuchtung im Lager an oder aus ist, und scannen gemeinsam mit menschlichen Arbeitern Barcodes, um ihnen einen beispiellosen Blick auf ihre Produkte zu ermöglichen.

„Normalerweise führen Lagerhäuser die Inventur zweimal im Jahr durch – wir stellen dies auf einmal professional Woche oder schneller um“, sagt Corvus-Mitbegründer und CTO Mohammed Kabir ’21. „Das bringt eine enorme betriebliche Effizienz mit sich.“

Corvus hilft Händlern, Logistikdienstleistern, Herstellern und Lebensmittelhändlern bereits dabei, ihren Lagerbestand zu verfolgen. Durch diese Arbeit hat das Unternehmen seinen Kunden dabei geholfen, enorme Effizienz- und Geschwindigkeitssteigerungen in ihren Lagern zu erzielen.

Der Schlüssel zum Erfolg von Corvus battle der Aufbau einer Drohnenplattform, die in schwierigen Umgebungen wie Lagerhäusern, in denen GPS nicht funktioniert und Wi-Fi möglicherweise schwach ist, autonom arbeiten kann, indem sie nur Kameras und neuronale Netze zur Navigation verwendet. Mit dieser Fähigkeit ist das Unternehmen davon überzeugt, dass seine Drohnen in der Lage sind, ein neues Maß an Präzision bei der Herstellung und Lagerung von Produkten in Lagern auf der ganzen Welt zu ermöglichen.

Eine neuartige Bestandsverwaltungslösung

Kabir beschäftigt sich seit seinem 14. Lebensjahr mit Drohnen.

„Ich interessierte mich für Drohnen, bevor es die Drohnenindustrie überhaupt gab“, sagt Kabir. „Ich würde mit Leuten arbeiten, die ich im Web gefunden habe. Damals waren es nur ein paar Bastler, die Dinge zusammenbastelten, um zu sehen, ob sie funktionieren würden.“

Im Jahr 2017, im selben Jahr, in dem Kabir ans MIT kam, erhielt er eine Nachricht von seiner späteren Corvus-Mitbegründerin Jackie Wu, die zu dieser Zeit Studentin an der Northwestern College battle. Wu hatte im Rahmen eines Open-Supply-Drohnenprojekts einige von Kabirs Arbeiten zur Drohnennavigation in Umgebungen ohne GPS gesehen. Die Studenten beschlossen zu prüfen, ob sie die Arbeit als Grundlage für ein Unternehmen nutzen könnten.

Kabir begann an freien Nächten und Wochenenden zu arbeiten, während er den Aufbau der Corvus-Technologie mit seinen Kursarbeiten in der Abteilung für Luft- und Raumfahrt des MIT unter einen Hut brachte. Die Gründer versuchten zunächst, handelsübliche Drohnen einzusetzen und diese mit Sensoren und Rechenleistung auszustatten. Schließlich wurde ihnen klar, dass sie ihre Drohnen von Grund auf neu entwickeln mussten, da handelsübliche Drohnen nicht die Artwork von Kontrolle und Zugriff auf niedriger Ebene boten, die sie zum Aufbau einer Autonomie über den gesamten Lebenszyklus benötigten.

Kabir baute den ersten Drohnen-Prototyp in seinem Wohnheimzimmer in Simmons Corridor und begann, jede neue Model auf dem Feld vor der Tür zu fliegen.

„Wir bauten diese Drohnen-Prototypen und brachten sie heraus, um zu sehen, ob sie überhaupt fliegen würden. Dann gingen wir wieder hinein und begannen, darauf unsere Autonomiesysteme aufzubauen“, erinnert sich Kabir.

Während seiner Arbeit am Corvus battle Kabir auch einer der Gründer des MIT Driverless-Programms, das Nordamerikas erste siegreiche fahrerlose Rennwagen baute.

„Es ist alles Teil derselben Autonomiegeschichte“, sagt Kabir. „Ich battle schon immer sehr daran interessiert, Roboter zu bauen, die ohne menschliche Berührung funktionieren.“

Von Anfang an glaubten die Gründer, dass die Bestandsverwaltung eine vielversprechende Anwendung für ihre Drohnentechnologie sei. Schließlich mieteten sie eine Anlage in Boston und simulierten ein Lagerhaus mit riesigen Regalen und Kisten, um ihre Technologie zu verfeinern.

Als Kabir 2021 seinen Abschluss machte, hatte Corvus mehrere Pilotprojekte mit Kunden abgeschlossen. Ein Kunde battle MSI, ein Baustoffunternehmen, das Bodenbeläge, Arbeitsplatten, Fliesen und mehr vertreibt. Bald nutzte MSI Corvus täglich in mehreren Einrichtungen seines landesweiten Netzwerks.

Die Corvus One-Drohne, die das Unternehmen als weltweit erste vollständig autonome Lagerbestandsverwaltungsdrohne bezeichnet, ist mit 14 Kameras und einem KI-System ausgestattet, das eine sichere Navigation zum Scannen von Barcodes und zur Aufzeichnung des Standorts jedes Produkts ermöglicht. In den meisten Fällen werden die gesammelten Daten an das Lagerverwaltungssystem des Kunden (normalerweise das Aufzeichnungssystem des Lagers) weitergegeben, und alle festgestellten Unstimmigkeiten werden automatisch mit einem Lösungsvorschlag kategorisiert. Darüber hinaus können Kunden über die Corvus-Schnittstelle Flugverbotszonen auswählen, Flugverhalten festlegen und automatisierte Flugpläne festlegen.

„Als wir anfingen, wussten wir nicht, ob eine lebenslange, visionsbasierte Autonomie in Lagern überhaupt möglich ist“, sagt Kabir. „Es stellt sich heraus, dass es wirklich schwierig ist, infrastrukturfreie Autonomie mit herkömmlichen Pc-Imaginative and prescient-Techniken zum Laufen zu bringen. Wir waren die ersten weltweit, die einen lernbasierten Autonomie-Stack für einen Indoor-Flugroboter auf den Markt gebracht haben, der auf maschinellem Lernen und auf neuronalen Netzwerken basierenden Ansätzen basiert. Wir haben KI genutzt, bevor sie cool battle.“

Zur Einrichtung installiert das Workforce von Corvus einfach eine oder mehrere Docks, die als Lade- und Datenübertragungsstation dienen, an den Enden der Produktregale und führt einen groben Kartierungsschritt mithilfe von Maßbändern durch. Die Feinheiten ergänzen die Drohnen dann selbstständig. Kabir sagt, dass es etwa eine Woche dauert, bis eine 1 Million Quadratmeter große Anlage vollständig betriebsbereit ist.

„Wir müssen keine Aufkleber, Reflektoren oder Leuchtfeuer anbringen“, sagt Kabir. „Unser Setup ist im Vergleich zu anderen Optionen in der Branche wirklich schnell. Wir nennen es infrastrukturfreie Autonomie und es ist für uns ein großes Unterscheidungsmerkmal.“

Vom Gabelstapler bis zur Drohne

Heutzutage wird ein Großteil der Bestandsverwaltung von einer Particular person erledigt, die einen Gabelstapler oder eine Scherenhebebühne verwendet, um Barcodes zu scannen und Notizen in einem Klemmbrett zu machen. Das Ergebnis sind unregelmäßige und ungenaue Bestandskontrollen, die manchmal dazu führen, dass Lager den Betrieb schließen müssen.

„Sie fahren mit diesen Aufzügen auf und ab, und dazu sind all diese manuellen Schritte erforderlich“, sagt Kabir. „Man muss die Daten manuell erfassen, dann gibt es einen Dateneingabeschritt, da keines dieser Systeme miteinander verbunden ist. Wir haben herausgefunden, dass viele Lager von fehlerhaften Daten gesteuert werden, und es gibt keine Möglichkeit, das zu beheben, es sei denn, man korrigiert die Daten, die man überhaupt sammelt.“

Corvus kann Bestandsverwaltungssysteme und -prozesse zusammenführen. Die Drohnen des Unternehmens sind außerdem jeden Tag sicher in der Nähe von Menschen und Gabelstaplern im Einsatz.

„Das battle ein zentrales Ziel für uns“, sagt Kabir. „Wenn wir ein Lager betreten, ist das ein Privileg, das uns der Kunde gegeben hat. Wir wollen ihren Betrieb nicht stören und bauen ein System auf, das auf dieser Idee basiert. Sie können es fliegen, wann immer Sie es brauchen, und das System richtet sich nach Ihrem Zeitplan.“

Kabir ist bereits davon überzeugt, dass Corvus die umfassendste verfügbare Bestandsverwaltungslösung bietet. In Zukunft wird das Unternehmen mehr Finish-to-Finish-Lösungen für die Bestandsverwaltung anbieten, sobald diese in den Lagern eintreffen.

„Drohnen lösen eigentlich nur einen Teil des Bestandsproblems“, sagt Kabir. „Drohnen fliegen herum, um den Palettenbestand in den Regalen zu verfolgen, aber viele Dinge gehen verloren, noch bevor sie die Regale erreichen. Produkte kommen an, werden von einem LKW abgeholt und dann auf dem Boden gestapelt, und bevor sie in die Regale gebracht werden, sind die Artikel verloren gegangen. Sie sind falsch beschriftet, falsch platziert und einfach weg. Unsere Imaginative and prescient ist es, dieses Downside zu lösen.“

KI-Technologie ist für Web sites, die versuchen, die Benutzererfahrung zu optimieren und ihre eigene Arbeit zu erleichtern, von großem Wert. Eine der größten Möglichkeiten, KI zu nutzen, besteht darin, Serverstatistiken zu verfolgen, damit sie sehen können, wie Menschen mit der Web site interagieren. Dies gilt auch für Discord-Servermanager.

Discord ist eine beliebte App, in der Menschen miteinander reden und Communities aufbauen. Um einen guten Discord-Server zu betreiben, müssen Sie wissen, wie intestine er funktioniert. Sie können dies tun, indem Sie wichtige Informationen zu Ihrem Server überprüfen. Spezielle Instruments namens Discord-Bots können Ihnen dabei helfen. Sie verlassen sich auf KI, was einer der Gründe ist KI ist die Zukunft der Technologie.

In diesem Artikel erklären wir, warum es wichtig ist, die Informationen Ihres Discord-Servers zu überprüfen, welche Informationen nützlich sind und wie Serverbesitzer diese Informationen nutzen können, um ihre Group zu verbessern. Wir zeigen Ihnen auch, wie Sie dazu einen einfach zu bedienenden Bot von GetLazy.ai verwenden.

Warum die Überprüfung von Discord-Informationen wichtig ist

Ganz gleich, welche Artwork von Group Sie auf Discord haben, es ist wichtig zu wissen, wie es Ihrem Server geht. Hier ist der Grund:

• Wenn Sie wissen, wann Ihre Benutzer on-line sind, können Sie zum richtigen Zeitpunkt tolle Occasions planen oder wichtige Neuigkeiten teilen.
• Sie können sehen, wie viele Personen Ihrem Server beitreten und ihn verlassen. Wenn viele Leute weggehen, müssen Sie möglicherweise herausfinden, warum.
• Wenn Sie weniger aktive Benutzer sehen, können Sie Maßnahmen ergreifen, um ihr Interesse zu wecken, indem Sie beispielsweise Veranstaltungen planen oder nach ihren Ideen fragen.
• Wenn Sie sehen, wie viele Nachrichten gesendet werden, erfahren Sie, ob Ihre Group aktiv ist. Wenn es nicht viel Aktivität gibt, könnten sich die Benutzer langweilen, und Sie können das beheben.
• Wenn Sie wissen, welche Kanäle am stärksten frequentiert sind und welche Benutzer am meisten reden, können Sie aktive Mitglieder belohnen oder auf mögliche Unruhestifter achten.

Wichtige Informationen, die Sie überprüfen sollten

Wenn Sie sich Ihren Server ansehen, sind einige Informationen hilfreicher als andere. Darauf sollten Sie sich konzentrieren:

• Hier erfahren Sie, wie viele Personen Ihrem Server beitreten oder ihn verlassen.
• Sie möchten wissen, wie viele Ihrer Mitglieder den Server tatsächlich nutzen.
• Hier sehen Sie, wie viele Nachrichten täglich versendet werden.
• Einige Kanäle sind möglicherweise aktiver als andere.
• Hier wird angezeigt, wie lange Benutzer on-line bleiben und was sie auf dem Server tun.

Wie Serverbesitzer diese Informationen nutzen können

Was können Sie damit machen, wenn Sie alle diese Informationen haben? So können Serverbesitzer damit ihre Group verbessern:

• Schauen Sie sich an, wann die meisten Menschen aktiv sind, und planen Sie dann Ihre Veranstaltungen.
• Wenn einige Kanäle nicht häufig genutzt werden, denken Sie darüber nach, sie zu ändern, um sie interessanter zu machen.
• Wenn Benutzer inaktiv werden, veranstalten Sie spezielle Veranstaltungen oder fragen Sie nach ihren Ideen, um sie zurückzubringen.
• Nutzen Sie die Informationen, um zu sehen, welche Benutzer und Kanäle mehr Aufmerksamkeit benötigen.

Einfache Bot-Einrichtung zum Überprüfen von Informationen

Sie denken vielleicht: „Wie richte ich einen Bot ein, um diese Informationen zu überprüfen?“ Gute Nachrichten – mit einigen No-Code-Instruments ist das ganz einfach! Auf solchen Web sites gibt es gebrauchsfertige Bot-Vorlagen, die dies für Sie erledigen können. Wenn Sie noch nie einen Discord-Bot eingerichtet haben, machen Sie sich keine Sorgen! Du kannst Erfahren Sie, wie Sie Discord-Bots ohne Codierung erstellen. Es gibt eine einfache Anleitung, die Ihnen Schritt für Schritt zeigt, wie es geht.